[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 7، شماره 3 - ( 9-1398 ) ::
جلد 7 شماره 3 صفحات 103-114 برگشت به فهرست نسخه ها
بهبود طبقه‌بندی تصاویر ابرطیفی با بکارگیری یک روش نوین برآورد طیف‌های بازتابندگی مرجع
حمید عزت آبادی پور، عبدالرضا کاظمی‌نیا
دانشگاه صنعتی سیرجان
چکیده:   (129 مشاهده)
تصاویر ابرطیفی دارای توان تفکیک طیفی بسیار بالا بوده و حاوی تعداد زیادی باند طیفی باریک و پیوسته هستند که همین ویژگی، امکان تشخیص و شناسایی مواد و عناصر را براساس مقایسه بازتاب طیفی هریک از آنها در طول‌موج‌های گوناگون فراهم می‌سازد. از این‌رو بکارگیری تصاویر ابرطیفی در طبقه‌بندی و تولید نقشه پوشش زمین می‌تواند بسیار کارآمد واقع شود. در روش‌های طبقه‌بندی تصاویر ابرطیفی که از یک معیار عدم شباهت برای طبقه‌بندی استفاده می‌کنند، طیف‌های بازتابندگی مرجع هر کلاس، معمولا از طریق میانگین‌گیری از طیف‌های بازتابندگی پیکسل‌های داده‌های آموزشی برآورد می‌شوند. روش میانگین‌گیری، طیف بازتابندگی مرجع را از طریق کمینه‌سازی مجموع مربع فواصل اقلیدسی بین طیف بازتابندگی مرجع و طیف‌های بازتابندگی پیکسل‌های داده‌های آموزشی محاسبه می‌کند. به عبارت دیگر می‌توان گفت روش میانگین‌گیری، برمبنای معیار عدم شباهت مربع فاصله اقلیدسی، طیف بازتابندگی مرجع را برآورد می‌کند. این نوع روش برآورد طیف‌های بازتابندگی مرجع، برای همه روش‌های طبقه‌بندی با معیارهای عدم شباهت مختلف مناسب به نظر نمی‌رسد و بهتر است فقط در الگوریتم حداقل فاصله که در آن از معیار عدم شباهت مربع فاصله اقلیدسی جهت طبقه‌بندی استفاده می‌شود، به کار گرفته شود. در پژوهش حاضر روشی پیشنهاد شده است که در آن با در نظر گرفتن معیار عدم شباهت به کار رفته در الگوریتم طبقه‌بندی، طیف بازتابندگی مرجع برآورد می‌شود. برای ارائه و پیاده‌سازی روش پیشنهادی از دو الگوریتم طبقه‌بندی نگاشت‌کننده زاویه طیفی (SAM) و فاصله جفریز-ماتوسیتا (JMD) استفاده شده است. ارزیابی دقت و کارایی روش پیشنهادی از طریق بررسی و مقایسه نتایج طبقه‌بندی الگوریتم‌های SAM و JMD در ازای دو روش میانگین‌گیری و پیشنهادی انجام شده است. آزمون‌های انجام‌شده بر روی داده‌های تصویری ابرطیفی واقعی حاصل از چهار سنجنده AVIRIS، HYDICE، Hyperion و HyMap نشان می‌دهد که بکارگیری روش پیشنهادی، نتایج طبقه‌بندی را بهبود می‌بخشد. به طوری که ضریب کاپای نتایج طبقه‌بندی تصاویر ابرطیفی مورد استفاده در الگوریتم SAM به ترتیب 18/13%، 06/1%، 75/%0 و 18/2% و در الگوریتم JMD به ترتیب 79/10%، 17/2%، 34/0% و 4/2% افزایش یافته است.
واژه‌های کلیدی: طبقه‌بندی، تصاویر ابرطیفی، معیار عدم شباهت، برآورد طیف‌های بازتابندگی مرجع.
متن کامل [PDF 844 kb]   (79 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سنجش از دور
دریافت: ۱۳۹۶/۵/۲۹ | پذیرش: ۱۳۹۷/۷/۸ | انتشار: ۱۳۹۸/۹/۳۰
فهرست منابع
1. [1] S. Homayouni, and M. Roux, "Hyperspectral image Analysis for Material Mapping Using Spectral Matching", presented at the ISPRS Congress, Istanbul, 2004.
2. [2] P. Shippert, "Why Use Hyperspectral Imagery?", Photogrammetric Engineering & Remote Sensing, pp. 377-380, 2004.
3. [3] C.A. Shah, P. Watanachaturaporn, P.K. Varshney, and M.K. Arora, "Some Recent Results on Hyperspectral Image Classification", In 2003 IEEE Workshop on Advances in Techniques for Analysis of Remotely Sensed Data, pp. 346- 353, 2003.
4. [4] F.A. Kruse, A.B. Lefkoff, J.W. Boardman, K.B. Heidebrecht, A.T. Shapiro, P.J. Barloon, and A.F.H. Goetz, "The spectral image processing system (SIPS)-interactive visualization and analysis of imaging spectrometer data", Remote Sensing of Environment, Vol. 44, No. 2, pp. 145-163, 1993. [DOI:10.1016/0034-4257(93)90013-N]
5. [5] E. Unal, A. Mermer, and H.M. Dogan, "Determining major orchard (pistachio, olive, vineyard) areas in Gaziantep Province using remote sensing techniques", presented at the ISPRS Congress, Istanbul, 2004.
6. [6] B. Luc, B. Deronde, P. Kempeneers, W. Debruyn, and S. Provoost, "Optimized Spectral Angle Mapper classification of spatially heterogeneous dynamic dune vegetation, a case study along the Belgian coastline", presented at the 9th International Symposium on Physical Measurements and Signatures in Remote Sensing (ISPMSRS), Beijing, 2005.
7. [7] A. Galal, H. Hassan, and I.F. Imam, "A novel approach for measuring hyperspectral similarity", Applied Soft Computing, Vol. 12, No. 10, pp. 3115-3123, 2012. [DOI:10.1016/j.asoc.2012.06.018]
8. [8] K. Wang, X. Gu, T. Yu, Q. Meng, L. Zhao, and L. Feng, "Classification of hyperspectral remote sensing images using frequency spectrum similarity", Science China Technological Sciences, Vol. 56, No. 4, pp. 980-988, 2013. [DOI:10.1007/s11431-013-5151-3]
9. [9] K. Wang, B. Yong, X. Gu, P. Xiao, and X. Zhang, "Spectral Similarity Measure Using Frequency Spectrum for Hyperspectral Image Classification", IEEE Geoscience and Remote Sensing Letters, Vol. 12, No. 1, pp. 130-134, 2015. [DOI:10.1109/LGRS.2014.2329183]
10. [10] K. Wang, and B. Yong, "Application of the Frequency Spectrum to Spectral Similarity Measures", Remote Sensing, Vol. 8, No. 4, pp. 344-368, 2016. [DOI:10.3390/rs8040344]
11. [11] Y. Du, C.-I. Chang, H. Ren, C.-C. Chang, J.O. Jensen, and F.M. D'Amico, "New hyperspectral discrimination measure for spectral characterization", Optical Engineering, Vol. 43, No. 8, pp. 1777-1786, 2004. [DOI:10.1117/1.1766301]
12. [12] J.R. Jensen, Introductory Digital Image Processing: A Remote Sensing Perspective. Upper Saddle River (New Jersey): Prentice Hall, 1996.
13. [13] C.-I. Chang, Hyperspectral Imaging: Techniques for spectral Detection and Classification. New York: Springer US, 2003.
14. [14] S. Padma, and S. Sanjeevi, "Jeffries Matusita based mixed-measure for improved spectral matching in hyperspectral image analysis", International Journal of Applied Earth Observation and Geoinformation, Vol. 32, pp. 138-151, 2014. [DOI:10.1016/j.jag.2014.04.001]
15. [15] J.G. Ding, X.B. Li, and L.Q. Huang, "A Novel Method for Spectral Similarity Measure by Fusing Shape and Amplitude Features", Journal of Engineering Science and Technology Review, Vol. 8, No. 5, pp. 172-179, 2015. [DOI:10.25103/jestr.085.22]
16. [16] R.N. Adep, A.P. Vijayan, A. Shetty, and H. Ramesh, "Performance evaluation of hyperspectral classification algorithms on AVIRIS mineral data", Perspectives in Science, Vol. 8, pp. 722-726, 2016. [DOI:10.1016/j.pisc.2016.06.070]
17. [17] F. van der Meer, "The effectiveness of spectral similarity measures for the analysis of hyperspectral imagery", International Journal of Applied Earth Observation and Geoinformation, Vol. 8, No. 1, pp. 3-17, 2006. [DOI:10.1016/j.jag.2005.06.001]
ارسال پیام به نویسنده مسئول


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Ezzatabadi Pour H, Kazeminia A R. Improvement of the Classification of Hyperspectral images by Applying a Novel Method for Estimating Reference Reflectance Spectra. jgit. 2019; 7 (3) :103-114
URL: http://jgit.kntu.ac.ir/article-1-744-fa.html

عزت آبادی پور حمید، کاظمی‌نیا عبدالرضا. بهبود طبقه‌بندی تصاویر ابرطیفی با بکارگیری یک روش نوین برآورد طیف‌های بازتابندگی مرجع. مهندسی فناوری اطلاعات مکانی. 1398; 7 (3) :103-114

URL: http://jgit.kntu.ac.ir/article-1-744-fa.html



دوره 7، شماره 3 - ( 9-1398 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.06 seconds with 31 queries by YEKTAWEB 4072